[发明专利]一种基于道路分割的车道线多任务学习检测方法

权利要求书

1.一种基于道路分割的车道线多任务学习检测方法，其特征在于：包括以下步骤：

S100.构建多任务学习网络，包括建立特征提取子网络、道路分割子网络和车道线检测子网络，实现对输入的道路图像进行识别和处理，输出道路分割数据和车道线检测数据；具体包括：

S110.以去除了全连接层的VGG-16作为主干网络，在所述主干网络的最后一层最大池化层max-pool5之后添加带孔空间金字塔结构ASPP，构建特征提取子网络；所述特征提取子网络对输入的道路图像进行识别和处理，得到特征图并输出；

S120.采用DeepLab v3+网络的解码部分结构构建道路分割子网络；所述道路分割子网络接收所述特征图，将道路图像的像素分为道路和背景两大类，输出道路分割数据；

S130.采用SCNN结构构建所述车道线检测子网络；所述车道线检测子网络接收所述特征图，将道路图像的像素分为n+1类，输出车道线检测数据；其中n为车道线条数，1为背景；

S200.构建链接编码结构，用链接编码结构连接道路分割子网络和车道线检测子网络，道路分割子网络中的数据经链接编码结构被传输至车道线检测子网络；具体包括：

S210.构建链接编码结构，包括4层，依次为池化层、卷积层、卷积层以及池化层，其中两个卷积层后均接ReLu非线性激活函数；

S220.从道路分割子网络的特征图interpx8处引出输出到链接编码结构，经过所述池化层、卷积层、卷积层以及池化层处理，将得到的数据输入到车道线检测子网络中的interpx2，实现将链接编码结构添加到网络，并连同道路分割子网络和车道线检测子网络；

S300.构建CULane数据集，实现卷积层参数共享；在CULane数据集上对道路分割子网络和车道线检测子网络进行轮流微调训练，并采用带动量的随机梯度下降法最小化交叉熵损失函数修正以提高车道线检测数据精度，最终输出修正后的车道线检测数据。

2.如权利要求1所述一种基于道路分割的车道线多任务学习检测方法，其特征在于：所述S120包括以下步骤：

S121.将所述特征提取子网络输出的特征图进行8倍反卷积上采样得到特征图P2；

S122.将所述特征提取子网络中的对应尺度的特征图C2经1*1卷积与P2进行融合操作，统一C2和P2的通道数，得到特征图interpx8；

S123.对所述特征图interpx8进行4倍反卷积上采样，从而恢复到原图尺寸；

S124.经softmax实现道路分割像素数据的二分类输出。

3.如权利要求1所述一种基于道路分割的车道线多任务学习检测方法，其特征在于：所述S130包括以下步骤：

S131.将所述特征提取子网络输出的特征图经size＝1,channels＝128的卷积层fc7，输入到SCNN_DURL结构；

S132.将SCNN_DURL结构的输出连接size＝1,channels＝n的卷积层fc8；

S133.将卷积层fc8的输出经2倍反卷积得到特征图interpx2，再经4倍反卷积输入到softmax层进行n+1分类；

S134.将softmax层的输出结果经双线性插值扩大4倍，恢复到原图尺寸，得到像素数据的n+1分类输出。

4.如权利要求2所述一种基于道路分割的车道线多任务学习检测方法，其特征在于：所述S122中的融合操作采用叠操作的方式。

5.如权利要求1所述一种基于道路分割的车道线多任务学习检测方法，其特征在于：所述带孔空间金字塔结构ASPP用于实现多尺度特征提取构建方法包括以下步骤：

S111.依次构建1*1的普通卷积核和大小为3*3，rate＝6、12、18的多孔卷积核；

S112.所述普通卷积核和所述多孔卷积核后面各自连接一个BN层，并将普通卷积核后的BN层的数据输出到连接到多孔卷积核作为输入；

S113.构建平均池化层，并将多孔卷积核后的BN层的输出端连接到平均池化层的输入端；

S114.将带孔空间金字塔所有的层，通过1*1的卷积，进行信息融合得到特征图，作为特征提取子网络的输出。